Professional Documents
Culture Documents
Οικονομετρία για το πρόγραμμα διδακτορικών σπουδών (3ο φυλλάδιο)
Οικονομετρία για το πρόγραμμα διδακτορικών σπουδών (3ο φυλλάδιο)
Οικονομετρία για το πρόγραμμα διδακτορικών σπουδών (3ο φυλλάδιο)
Αν µια τουλάχιστον από τις σχέσεις αυτές δεν ισχύει, τότε η σειρά
χαρακτηρίζεται µη στάσιµη.
Από όσα µέχρι τώρα αναφέρθηκαν, είναι γνωστό ότι ένα υπόδειγµα
αξιολογείται παίρνοντας υπόψη κριτήρια, όπως ο συντελεστής προσδιορισµού, οι
έλεγχοι σηµαντικότητας, κλπ. Όταν όµως έχουµε χρονολογικές σειρές, ο τρόπος
αυτός αξιολόγησης µας οδηγεί σε αξιόπιστα συµπεράσµατα, µόνον όταν οι
µεταβλητές του θεωρούµενου υποδείγµατος είναι στάσιµες.
Στις περιπτώσεις λοιπόν που οι µεταβλητές του υποδείγµατος δεν είναι
στάσιµες, τότε τα ικανοποιητικά, ενδεχοµένως, αποτελέσµατα των κλασικών
ελέγχων, δεν σηµαίνουν ότι υπάρχει οπωσδήποτε και αιτιώδης σχέση µεταξύ των
µεταβλητών του υποδείγµατος. Αντίθετα, είναι πολύ πιθανόν να έχουµε ένα είδος
πλασµατικής ή νόθου παλινδρόµησης (spurious regression), κάτι που εµφανίζεται
συχνά όταν χρησιµοποιούµε µη στάσιµες χρονολογικές σειρές. Για το λόγο αυτό, ένα
από τα πρώτα βήµατα σε µια οικονοµετρική ανάλυση είναι ο έλεγχος στασιµότητας
των µεταβλητών του υποδείγµατος.
Οι περισσότερες χρονολογικές σειρές των διαφόρων οικονοµικών στοιχείων
δεν είναι στάσιµες. Αποδεικνύεται όµως ότι µπορούν να µετατραπούν σε στάσιµες
παίρνοντας τις πρώτες διαφορές, ή ενδεχόµενα τις δεύτερες, κλπ. Ο µετασχηµατισµός
1
Ο ορισµός αυτός αφορά για την ακρίβεια τη λεγόµενη «στάσιµη σειρά κατά την ασθενή έννοια» ή
«µη αυστηρά στάσιµη σειρά» ή και «κατά συνδιακύµανση στάσιµη σειρά». ∆εν θα επεκταθούµε όµως
εδώ σε περισσότερες σχετικές λεπτοµέρειες.
αυτός αποτελεί έναν άµεσο τρόπο αντιµετώπισης του προβλήµατος της πλασµατικής
παλινδρόµησης.
Αν, για παράδειγµα, η σειρά {x i } δεν είναι στάσιµη, τότε πολύ πιθανόν η
σειρά {∆x i } να είναι στάσιµη, όπου ∆x i = x i − x i−1 . Στην περίπτωση που και η
{∆x i } δεν είναι στάσιµη, τότε πιθανόν να απαιτηθεί να πάρουµε τις δεύτερες
διαφορές της, δηλαδή να θεωρήσουµε τη σειρά {∆2 x i } , όπου
∆2 x i = ∆x i − ∆x i −1 = ( x i − x i −1 ) − ( x i −1 − x i −2 ) = x i + x i −2 − 2 x i−1 . (1)
Όταν λοιπόν µια σειρά µετατρέπεται σε στάσιµη παίρνοντας τις πρώτες
διαφορές της, τότε λέµε ότι είναι ολοκληρωµένη πρώτης τάξης και τη συµβολίζουµε
µε το I(1). Αν χρειαστεί να πάρουµε δεύτερες διαφορές, για να γίνει στάσιµη, τότε
λέµε ότι είναι ολοκληρωµένη δεύτερης τάξης και τη συµβολίζουµε µε το I(2), κλπ.
Μια σειρά που από την αρχή είναι στάσιµη λέγεται ολοκληρωµένη µηδενικής τάξης
και συµβολίζεται µε το I(0). Γενικά, έχουµε ότι:
2. Έλεγχοι στασιµότητας
Για τον έλεγχο στασιµότητας µιας χρονολογικής σειράς χρησιµοποιούνται
συνήθως οι λεγόµενοι έλεγχοι µοναδιαίας ρίζας (unit root tests) από τους οποίους οι
πλέον γνωστοί είναι οι έλεγχοι των Dickey-Fuller. Ανάλογοι είναι οι έλεγχοι των
Phillips-Perron, αλλά και άλλοι εξειδικευµένοι έλεγχοι, θα περιοριστούµε όµως στους
ελέγχους των Dickey-Fuller.
βˆ 2
t βˆ = . (6)
2
St̂d(βˆ 2 )
βˆ − β 2
Αποδεικνύεται όµως, ότι ο λόγος t βˆ = 2 δεν ακολουθεί την κατανοµή
2
St̂d(βˆ 2 )
t-Student, αλλά µια κατανοµή που είναι γνωστή σαν «Dickey-Fuller» κατανοµή, για
την οποία έχουν καταρτιστεί ειδικοί πίνακες (βλέπε: Οικονοµετρία, Θεωρία και
Εφαρµογές, Α. Κάτου, σελ. 963). Οι πίνακες αυτοί έχουν τιµές για τη λεγόµενη
στατιστική τ, η οποία χρησιµοποιείται στην περίπτωση του υποδείγµατος (4). Έχουν
επίσης τιµές για τη στατιστική τc, η οποία χρησιµοποιείται όταν στο υπόδειγµα (4)
προσθέσουµε και σταθερό όρο, και τέλος, τιµές για τη στατιστική τt, η οποία
χρησιµοποιείται όταν έχουµε σταθερό όρο και χρονική τάση. Σηµειώνεται ότι οι τιµές
των στατιστικών τ, τc και τt είναι αρνητικοί αριθµοί.
Αναφερόµενοι λοιπόν στο υπόδειγµα (4), αν για ορισµένο επίπεδο σηµαντικό-
τητας και για ορισµένο µέγεθος δείγµατος, έχουµε ότι:
t βˆ < τ c( πινάκων) ,
2
τότε απορρίπτεται η µηδενική υπόθεση, δεχόµαστε δηλαδή ότι η σειρά είναι στάσιµη.
Στην περίπτωση που η µηδενική υπόθεση δεν µπορεί να απορριφθεί, η
προηγούµενη διαδικασία συνεχίζεται, όπου όµως αντί της (4) χρησιµοποιείται η
∆2 y i = β 2 ∆y i −1 + u i , (7)
δηλαδή θεωρούµε τις δεύτερες και πρώτες διαφορές της yi.
Η όλη διαδικασία συνεχίζεται µέχρις ότου προσδιοριστεί η τάξη
ολοκλήρωσης της yi ή µέχρις ότου διαπιστωθεί ότι η yi δεν µπορεί να καταστεί
στάσιµη µε τη διαδοχική θεώρηση πρώτων διαφορών.
Σηµειώνεται ότι αν, αντί του υποδείγµατος (4), έχουµε το
∆y i = β1 + β 2 y i −1 + u i , (8)
ή το υπόδειγµα
∆y i = β1 + β 2 y i −1 + β 3 t + u i , (9)
τότε ακολουθούµε την ίδια διαδικασία, µε την παρατήρηση ότι την τιµή της
στατιστικής t βˆ που θα υπολογίσουµε από τη σχέση (6), τη συγκρίνουµε µε τη
2
3. Συνολοκλήρωση
Η συνολοκλήρωση µπορεί να θεωρηθεί σαν µια τεχνική για την εκτίµηση των
µακροχρόνιων συντελεστών, και γενικά των παραµέτρων ισορροπίας, σε µια σχέση
όπου οι µεταβλητές δεν είναι στάσιµες. Σχετικά, έχουµε ότι:
Για d=b=1 έχουµε την εξής απλή περίπτωση, που όµως σε εµπειρικές
εφαρµογές είναι και η πιο συνηθισµένη: Αν οι σειρές που θεωρούµε είναι
ολοκληρωµένες πρώτης τάξης, δηλαδή I(1), τότε για να καταλήξουµε στο
συµπέρασµα ότι αυτές είναι συνολοκληρωµένες τάξεως (1, 1) αρκεί, σύµφωνα µε τον
ορισµό, να βρούµε ένα γραµµικό συνδυασµό τους που να είναι στάσιµη σειρά,
δηλαδή Ι(0).
Ο ορισµός που δώσαµε πιο πάνω είναι αρκετά γενικός. Επειδή όµως στις
οικονοµικές µεταβλητές µας ενδιαφέρουν συνήθως οι µακροχρόνιες σχέσεις
ισορροπίας, ο τρόπος σχηµατισµού τους καθώς και η οικονοµική ερµηνεία των
αποτελεσµάτων, δίνουµε και τον εξής ορισµό2:
Ορισµός: Αν xi είναι ένα n×1 διάνυσµα µε συνιστώσες τις σειρές x1i, x2i,…, xni,
δηλαδή
⎡ x 1i ⎤
⎢x ⎥
x i = ⎢ 2i ⎥
⎢ ⎥
⎢ ⎥
⎣ x ni ⎦
και
α) κάθε µια από τις σειρές έχει τάξη ολοκλήρωσης d, δηλαδή
x 1i ~ I(d) , x 2i ~ I(d) ,…, x ni ~ I(d)
β) υπάρχει ένα n×1 διάνυσµα a≠0,
⎡ a1 ⎤
⎢a ⎥
a = ⎢ 2⎥,
⎢ ⎥
⎢ ⎥
⎣a n ⎦
2
Πέρα από τον ορισµό, µπορούµε πιο απλά να έχουµε υπόψη µας το εξής: Αν θεωρήσουµε δυο ή
περισσότερες σειρές που οι ίδιες δεν είναι στάσιµες, αλλά ένας γραµµικός συνδυασµός τους αποτελεί
στάσιµη σειρά, τότε οι σειρές αυτές χαρακτηρίζονται συνολοκληρωµένες. Αυτό σηµαίνει ότι οι
συγκεκριµένες σειρές παρουσιάζουν µια οµοιόµορφη διαχρονική πορεία.
Παράδειγµα: Υποθέτουµε ότι οι σειρές {C i } και {Yi } δεν είναι στάσιµες, αλλά είναι
ολοκληρωµένες πρώτης τάξης, δηλαδή Ι(1). Για να αποδείξουµε ότι οι µεταβλητές Ci
και Yi είναι συνολοκληρωµένες τάξεως (1, 1), αρκεί να βρούµε ένα γραµµικό
συνδυασµό τους που να αποτελεί στάσιµη σειρά, δηλαδή Ι(0). Πράγµατι, αν
θεωρήσουµε το γνωστό υπόδειγµα
C i = α + β Yi + u i , (1)
τότε, επειδή αυτό γράφεται
1 ⋅ C i + (−α) ⋅ 1 + (−β) ⋅ Yi = u i , (2)
µπορούµε να θέσουµε
⎡C i ⎤
a ′ = [1 − α − β] και x i = ⎢⎢ 1 ⎥⎥ (3)
⎢⎣ Yi ⎥⎦
οπότε έχουµε:
⎡C i ⎤
a ′x i = [1 − α − β] ⋅ ⎢⎢ 1 ⎥⎥ = u i . (4)
⎢⎣ Yi ⎥⎦
Με βάση εποµένως τη σχέση (4) και τον προηγούµενο ορισµό, αρκεί να αποδείξουµε
ότι η σειρά {u i } είναι στάσιµη. Μπορούµε λοιπόν να εκτιµήσουµε το υπόδειγµα (1)
µε OLS, να βρούµε τα κατάλοιπα {û i }, και να ελέγξουµε, µε βάση και τα όσα θα
αναφερθούν τη συνέχεια, αν αυτά αποτελούν µια στάσιµη σειρά.
Στο προηγούµενο παράδειγµα είχαµε δύο µόνο µεταβλητές τις Ci και Yi και
διαπιστώσαµε ότι, αν τα κατάλοιπα {û i } αποτελούν στάσιµη σειρά, έχουµε ένα
γραµµικά ανεξάρτητο διάνυσµα συνολοκλήρωσης, και συγκεκριµένα το
⎡ 1 ⎤
a = ⎢⎢− α ⎥⎥ . (5)
⎢⎣ − β ⎥⎦
Στη γενική περίπτωση, όταν έχουµε p µεταβλητές, είναι δυνατόν να υπάρχουν
p-1 γραµµικά ανεξάρτητα διανύσµατα συνολοκλήρωσης.
Μια σχέση, όπως η (1), όπου οι µεταβλητές είναι συνολοκληρωµένες,
αναφέρεται συνήθως σαν παλινδρόµηση ή σχέση συνοκλήρωσης ή ακόµη και σαν
ρ1*
t ρ* = . (3)
1
St̂d(ρ1* )
• Για ορισµένο επίπεδο σηµαντικότητας, ορισµένο µέγεθος δείγµατος και για
συγκεκριµένο αριθµό (ν) ερµηνευτικών µεταβλητών στην εξίσωση παλινδρό-
µησης (1≤ν≤6), συγκρίνουµε την τιµή της στατιστικής t ρ* µε την τιµή τu που
1
Τα πιο πάνω ισχύουν µε την προϋπόθεση ότι στο υπόδειγµα (2) δεν έχουµε
αυτοσυσχέτιση. Στην αντίθετη περίπτωση θα πρέπει, αντί για τη σχέση (2), να
χρησιµοποιήσουµε την
k −1
∆û i = ρ1* û i −1 + ∑ ρ1*+ j ∆û i − j + ε i . (6)
j=1
3
Η σχέση (5) ή η (6) υπονοεί πως θεωρούµε ότι το λεγόµενο σφάλµα ανισορροπίας της προηγούµενης
περιόδου, δηλαδή το u i −1 = C i −1 − α − βYi −1 , αποτελεί µια χρήσιµη ερµηνευτική µεταβλητή για το
υπόδειγµα (5) ή (6).
Εκτός από την αιτιότητα κατά Granger, µπορούµε να βρούµε κάποια µορφή
αιτιωδών αλληλεπιδράσεων, µεταξύ συνολοκληρωµένων µεταβλητών, τόσο στα
επίπεδα όσο και στις διαφορές τους, θεωρώντας το αντίστοιχο υπόδειγµα διόρθωσης
λαθών (ECM).
Όπως έχουµε ήδη αναφέρει, αν οι σειρές {Υi} και {Xi} είναι συνολοκληρω-
µένες τάξεως (1, 1), τότε µπορούµε να εξειδικεύσουµε ένα ECM, που στη γενική του
µορφή µπορεί να γραφεί:
p p
∆Yi = α 0 + ∑ α j ∆Yi − j + ∑ β j ∆X i − j + λû i −1 + ε i , (1)
j=1 j=1
όπου û i είναι τα κατάλοιπα που προκύπτουν από την εκτίµηση της µακροχρόνιας
σχέσης ισορροπίας µεταξύ των Χ και Υ, µε εξαρτηµένη µεταβλητή την Υ.
Είναι γνωστό ότι ο συντελεστής λ, ο εκτιµητής του οποίου θα πρέπει να έχει
αρνητικό πρόσηµο, δίνει την ταχύτητα προσαρµογής προς το µακροχρόνιο επίπεδο
ισορροπίας σε µία χρονική περίοδο. Αν ο συντελεστής αυτός είναι στατιστικά
διάφορος του µηδενός, αυτό σηµαίνει ότι υπάρχει αιτιώδης σχέση από την Χ προς την
Υ, η οποία όµως γίνεται αισθητή µακροχρόνια, και αντίθετα, αν στατιστικά λ=0, αυτό
αποτελεί σαφή ένδειξη, πως δεν υπάρχει µακροχρόνια αιτιώδης σχέση µεταξύ των
µεταβλητών Χ και Υ. Σηµειώνεται ότι ο έλεγχος σηµαντικότητας του συντελεστή λ,
γίνεται µε τη στατιστική t.
Από την άλλη πλευρά, αν διαπιστώσουµε ότι β1=β2=β3=…=βp=0, αυτό
σηµαίνει πως δεν υπάρχει αιτιώδης σχέση µεταξύ των ∆Χ και ∆Υ. Ο έλεγχος
σηµαντικότητας της οµάδας αυτής των συντελεστών, πραγµατοποιείται µε τη
στατιστική F, οπότε απόρριψη της µηδενικής υπόθεσης σηµαίνει ότι υπάρχει αιτιώδης
σχέση, που εκδηλώνεται βραχυχρόνια κι έχει κατεύθυνση από την Χ προς την Υ.
Επειδή υποθέσαµε ότι οι σειρές {Υi} και {Xi} είναι συνολοκληρωµένες
τάξεως (1, 1), µπορούµε να εξειδικεύσουµε και ένα υπόδειγµα διόρθωσης λαθών µε
εξαρτηµένη µεταβλητή την ∆Xi, και να προβούµε σε ελέγχους ανάλογους προς
αυτούς που αναφέραµε για το υπόδειγµα (1).
Σηµειώνεται ότι το υπόδειγµα (1) αποτελεί γενίκευση του γνωστού
υποδείγµατος
∆C i = b∆Yi + λû i−1 + ε i , (2)
το οποίο είχαµε αναφέρει προκειµένου να εξηγήσουµε το υπόδειγµα διόρθωσης
λαθών. Θα λέµε λοιπόν, αναφερόµενοι στο (2), ότι υπάρχει µακροχρόνια αιτιώδης
σχέση από τη µεταβλητή Υ προς τη C, δηλαδή από το εισόδηµα προς τις
καταναλωτικές δαπάνες, αν ο συντελεστής λ, που αναφέρεται στην ταχύτητα
προσαρµογής, είναι στατιστικά σηµαντικός. Εξάλλου, η σηµαντικότητα του
συντελεστή b, συνεπάγεται την ύπαρξη βραχυχρόνιας αιτιώδους επίδρασης από την Υ
προς τη C. Είναι φανερό ότι, στη συγκεκριµένη περίπτωση του υποδείγµατος (2),
τόσο ο έλεγχος σηµαντικότητας του συντελεστή λ όσο και του b, µπορούν να γίνουν
µε τη στατιστική t.
⎡α β12 ⎤ ⎡X ⎤ ⎡u ⎤
A 2 = ⎢ 12 ⎥ , z i-2 = ⎢ i −2 ⎥ , w i = ⎢ i ⎥ ,
⎣α 22 β 22 ⎦ ⎣ Yi −2 ⎦ ⎣vi ⎦
τότε το υπόδειγµα (2) γράφεται
z i = δ + A 1 z i −1 + A 2 z i −2 + w i . (3)
Η σχέση (3) είναι ένα αυτοπαλίνδροµο σχήµα δεύτερης τάξης, AR(2), στο
διµεταβλητό διάνυσµα zi γι’ αυτό και ονοµάζεται, όπως προαναφέρθηκε, υπόδειγµα
αυτοπαλίνδροµου διανύσµατος δεύτερης τάξης, ή συνοπτικά υπόδειγµα VAR(2). Το
υπόδειγµα αυτό µπορεί εύκολα να γενικευθεί ώστε το διάνυσµα zi να περιλαµβάνει
περισσότερες από δυο µεταβλητές, όπως επίσης και να έχουµε περισσότερες από δυο
υστερήσεις. Στη γενική λοιπόν περίπτωση, ένα υπόδειγµα VAR(p) θα έχει τη µορφή
z i = δ + A 1 z i −1 + A 2 z i −2 + A 3 z i −3 + … + A p z i −p + w i , (4)
και
⎧ Σ, αν i = k
Cov(w i , w k ) = E(w i w ′k ) = ⎨ (7)
⎩0, αν i ≠ k,
όπου Σ η µήτρα διακυµάνσεων-συνδιακυµάνσεων του διανύσµατος wi.
Από την (7) είναι φανερό, ότι τα διανύσµατα θορύβου wi συσχετίζονται στην
αυτή χρονική περίοδο, όχι όµως και σε διαφορετικές χρονικές περιόδους. Επίσης, αν
στο VAR που περιγράφεται από τη σχέση (4), το διάνυσµα zi έχει n µεταβλητές, τότε
οι διαστάσεις των µητρών Αj (j=1, 2, 3,…,p) θα είναι n×n, και φυσικά το διάνυσµα δ
θα είναι n-διάστατο. Έτσι, έχουµε συνολικά Ν=n+p⋅n2 συντελεστές.
Επειδή το υπόδειγµα (4), είναι στην πραγµατικότητα ένα δυναµικό σύστηµα,
είναι φανερό, ότι για τα υποδείγµατα VAR, ισχύουν τα όσα είναι γνωστά σχετικά µε
τα δυναµικά συστήµατα. Ενδεικτικά, σηµειώνεται ότι το συγκεκριµένο σύστηµα,
µπορεί να µετασχηµατιστεί σε ένα ισοδύναµο δυναµικό σύστηµα πρώτου βαθµού, µε
τη χρησιµοποίηση του τελεστή χρονικής υστέρησης L.
Ένα σηµείο, το οποίο επίσης θα πρέπει να αναφερθεί, είναι ότι σ’ ένα
υπόδειγµα VAR δεν υπάρχουν εξωγενείς µεταβλητές, αλλά µόνο ενδογενείς µε
χρονικές υστερήσεις. Επίσης, όπως είναι φανερό από τις σχέσεις (1α) και (1β),
πρόκειται για συστήµατα εξισώσεων στην ανηγµένη, δηλαδή τη λυµένη µορφή, ως
προς τις ενδογενείς µεταβλητές.
Το τελευταίο αυτό σηµείο και λαµβάνοντας υπόψη τις υποθέσεις (6) και (7),
µας επιτρέπει να εκτιµήσουµε ένα υπόδειγµα VAR µε τη µέθοδο OLS, θεωρώντας
κάθε εξίσωση ξεχωριστά. Φυσικά, θα πρέπει να προηγηθεί έλεγχος στασιµότητας των
ενδογενών µεταβλητών του υποδείγµατος, ώστε να γνωρίζουµε αν θα εκτιµήσουµε το
υπόδειγµα στα επίπεδα των µεταβλητών, δηλαδή χρησιµοποιώντας τις αρχικές τιµές,
ή αν απαιτούνται µετασχηµατισµοί των δεδοµένων, για παράδειγµα, πρώτες ή
δεύτερες διαφορές των µεταβλητών.
Προκειµένου να καθορίσουµε το µήκος της χρονικής υστέρησης, δηλαδή την
τιµή του p στη σχέση (4), µπορούµε να χρησιµοποιήσουµε γενικευµένες µορφές των
κριτηρίων Akaike (AIC) και Schwarz (SBC).
Τα υποδείγµατα VAR, όπως και τα δυναµικά συστήµατα, χρησιµοποιούνται
κυρίως για προβλέψεις. Επίσης, ένα υπόδειγµα VAR µπορεί να χρησιµοποιηθεί για
ελέγχους αιτιότητας κατά Granger. Για την τελευταία αυτή περίπτωση, θα πρέπει να
επισηµάνουµε τα εξής4:
Αν οι µεταβλητές του υποδείγµατος είναι στάσιµες σειρές, τότε εκτιµούµε ένα
«απλό» υπόδειγµα VAR, δηλαδή ένα υπόδειγµα στα επίπεδα των µεταβλητών.
Αν οι µεταβλητές του υποδείγµατος είναι µη στάσιµες σειρές, και ειδικότερα Ι(1),
όχι όµως και συνολοκληρωµένες, τότε εκτιµούµε ένα υπόδειγµα VAR στις πρώτες
διαφορές των µεταβλητών, οπότε ελέγχουµε µόνο για βραχυχρόνιες αιτιώδεις
σχέσεις.
Αν οι µεταβλητές του υποδείγµατος είναι µη στάσιµες σειρές, ειδικότερα Ι(1), και
επιπλέον είναι και συνολοκληρωµένες, τότε εκτιµούµε ένα υπόδειγµα VAR στις
πρώτες διαφορές των µεταβλητών, έχοντας όµως εισάγει και το γνωστό όρο
διόρθωσης σφάλµατος, οπότε ελέγχουµε τόσο για βραχυχρόνιες όσο και για
µακροχρόνιες αιτιώδεις σχέσεις. Αυτό σηµαίνει ότι θεωρούµε τη µορφή ενός
πολυµεταβλητού υποδείγµατος διόρθωσης λαθών, η οποία προκύπτει από το
4
Στο σηµείο αυτό γίνεται αναφορά σε µεταβλητές Ι(0) και Ι(1), που αποτελούν και την πλέον συνήθη
περίπτωση.
5
Ο µετασχηµατισµός ενός υποδείγµατος VAR στη µορφή (16) είναι γνωστός σαν µετασχηµατισµός
συνολοκλήρωσης (cointegrating transformation).
Θεώρηµα
α) Αν ο βαθµός του πίνακα Π είναι ίσος προς n, όπου n είναι ο αριθµός των
µεταβλητών οι οποίες περιλαµβάνονται στο υπόδειγµα VAR, τότε το διάνυσµα zt
είναι στάσιµη διαδικασία, υπό την έννοια ότι οι συνιστώσες του zt είναι I(0).
β) Αν ο βαθµός του πίνακα Π είναι ίσος προς r όπου r<n, τότε ο πίνακας Π γράφεται
Π = α ⋅ β′ , (17)
όπου α και β είναι πίνακες διαστάσεων n×r.
Άµεση συνέπεια της (18) είναι ότι αν β1, β2, … , βr είναι οι στήλες του πίνακα
συνολοκλήρωσης β, τότε οι µεταβλητές οι οποίες συνιστούν το διάνυσµα zt είναι
συνολοκληρωµένες µε διανύσµατα συνολοκλήρωσης αντίστοιχα τα β1, β2, … , βr.
Σηµειώνεται ότι αν ισχύει η (17), το υπόδειγµα (16) µπορεί να θεωρηθεί σαν
γενίκευση ενός "υποδείγµατος σε διαφορές µε µηχανισµό διόρθωσης σφάλµατος",
έννοια η οποία έχει αναφερθεί σε προηγούµενη ενότητα. Συγκεκριµένα, ο πίνακας
β΄zt-k συνιστά ένα σύνολο από r µηχανισµούς διόρθωσης σφάλµατος διαχωρίζοντας
τις µακροχρόνιες από τις βραχυχρόνιες επιδράσεις των µεταβλητών του
υποδείγµατος.
Ο προσδιορισµός του βαθµού του πίνακα Π, ο οποίος καθορίζει και τον
αριθµό των διανυσµάτων συνολοκλήρωσης, καθώς και η εκτίµηση του πίνακα
συνολοκλήρωσης β µπορούν να γίνουν µε σχετική διαδικασία η οποία προτείνεται
από τον Johansen (1988 και 1989), τα κύρια βήµατα της οποίας περιγράφονται στη
συνέχεια µε βάση την παρουσίαση η οποία υπάρχει στο βιβλίο των Charemza και
Deadman (1992).
Βήµα 1
Ξεκινάµε µε την παλινδρόµηση των µεταβλητών του διανύσµατος ∆zt επί των
µεταβλητών των διανυσµάτων ∆zt-1, ∆zt-2, … , ∆zt-k+1. ∆εδοµένου δε ότι υποθέσαµε
πως το υπόδειγµα VAR περιλαµβάνει n µεταβλητές, θα πρέπει να γίνουν n
διαφορετικές παλινδροµήσεις. Επιπρόσθετα δηµιουργούµε το n×1 διάνυσµα R0t από
τα κατάλοιπα τα οποία προκύπτουν από κάθε µια παλινδρόµηση κατά τη χρονική
στιγµή t.
Στη συνέχεια γίνεται παλινδρόµηση των µεταβλητών του διανύσµατος zt-κ επί
των µεταβλητών των διανυσµάτων ∆zt-1, ∆zt-2, … , ∆zt-k+1 και δηµιουργούµε το n×1
διάνυσµα Rkt από τα κατάλοιπα τα οποία προκύπτουν από κάθε µια παλινδρόµηση
κατά την αυτή χρονική στιγµή t.
Βήµα 2
Υπολογίζουµε τους τέσσερις n×n πίνακες S00, S0k, Sk0 και Skk από τις σχέσεις
1 T
S ij = ⋅ ∑ R it R′jt , i, j = 0, k (19)
T t =1
όπου Τ το µέγεθος του δείγµατος.
Βήµα 3
Θεωρούµε την, ως προς λ, εξίσωση
−1
λS kk − S k 0S 00 S 0k = 0 (20)
και προσδιορίζουµε τις ρίζες της (ιδιοτιµές) τις οποίες και διατάσσουµε κατά
φθίνουσα σειρά, έστω λ1 > λ 2 > … > λ n . Αν v 1 , v 2 , ... , v n είναι τα αντίστοιχα
ιδιοδιανύσµατα, δηµιουργούµε τον πίνακα
V = [v 1 v 2 … v n ] . (21)
Τα ιδιοδιανύσµατα λαµβάνουν την κανονική τους µορφή (normalized) σύµφωνα µε
τη σχέση
V ′S kk V = I . (22)
Βήµα 4
Για κάθε λi υπολογίζουµε τη στατιστική ελέγχου
n
λ trace (r) = −T ⋅ ∑ ln(1 − λ i ) . (23)
i = r +1
6
Στη συναφή βιβλιογραφία, ο υπολογισµός της (23) προκειµένου να προσδιοριστεί ο αριθµός των
στατιστικά σηµαντικών διανυσµάτων συνολοκλήρωσης, αναφέρεται σαν έλεγχος συνολοκλήρωσης ο
οποίος βασίζεται στο ίχνος του στοχαστικού πίνακα (cointegration test based on trace of the stochastic
matrix), ενώ όταν χρησιµοποιείται η (24), τότε αναφερόµαστε σε έλεγχο συνολοκλήρωσης ο οποίος
βασίζεται στη µέγιστη ιδιοτιµή του στοχαστικού πίνακα (cointegration test based on maximal
eigenvalue of the stochastic matrix).